In der Klassifikation geht es im wesentlichem darum, den Inhalt eines digitalen Bildes zu interpretieren, d.h. man versucht zu erfassen, welche Objekte sich in dem Bild befinden. Um einen solchen Klassifizierungsvorgang zu automatisdsegmentation, die mit den bereits eingeführten Methodetbild isoliert, werden bestimmte Merkmale in diesem Bild gesucht und gemessen, worauf allerdings später noch genauer eingegangen wird. An Hand dieser Merkmale wird im Klassifikationsvorgang entschieden, um welchen Objekttyp es sich handelt.
An welchen Werten kann man ein Bild überhaupt inaten eines Bildpunktes, seine Farbe, seine Nachbarpunkte, usw.
Was macht man mit den Merkmalsvektoren?
Wie bereits erwähnt wurde, zeigen die Merkmalsvektoren auf Punkte im N-dimensionalen Merkmalsraum. Als Klassifikator bezeichnet man eine Entscheidungseinheit, die den Merkmalsraum in Regionen aufsvektor in zwei sich überlappende Regionen zeigt?
Daraus ergeben sich Konsequenzen für die Merkmale. Man muß Bedingungen an sie stellen, um Problemen vorzubeugen.
Gute Merkmale haben die folgenden vier Eigenschaften:
Diskriminierend
Ein Merkmal sollte
für Objekte aus verschiedenen Klassen auch deutlich
unterscheidbare Werte haben. Der Durchmesser ist z.B. ein gutes
Merknterscheiden.
Unabhängig
Die verschiedenen
Merkmale sollten zueinander unkorreliert sein. Z.B. Gewicht und
Durchmesser sind zwei stark korrelierte Größen, da mit
steigendem Gewicht eines Objekts auch sein Durchmesser zunimmt.
Stark korrelierende Merkmale sollte weggelassen werden, oder zu
einem zusammengefaßt werden.
Kleine
Anzahl
Da die Komplexität der Berechkmale einen
Performanzindex errechnet. Die Merkmalskrdings klar, das dieser
Ansatz nur in den seltensten Fällen zur Anwendung kommt, da der
Aufwand für diese Methode schon bei kleinem N enorm hoch ist.

Normalerweise
benutzt man zur Merkmalsauswahl Hilfsmittel, wie den Mittelwert eines
Merkmals in bezug auf die Klasse (mean value), die Merkmalsstreuung
(feature variance), Merkmalskorrelation (feature correlation), (class
separation distance) oder Dimenstionsreduktion (dimension reduction).

Die
Population der Muster im Merkmalsraum wird über bekannte
Stichproben ermittelt, daß bedeutet allerdings auch, daß
die Anzahl der zu klassifizierenden Objekte schon von Anfang an
bekakmalsvektoren zugeordnet sind
Die Merkmale der Objekte unterliegen gewissen Änderungen. Ein überwacht lernendes Klassifizierungssystem lernt die Merkmale der Klassendet, um die kleinen Änderungen zu kompensieren.
Hier wird das System nicht mit einer Stichprobe dimensioniert. Diese Aufgabe wird von einem Algorithmus vorgenommen.
Wenn man annimmt, daß Merkmalsvektoren, die im Merkmalsraum nahe zusammen liegen, wahrscheinlich zur selben Musterklasse gehören, kann man sie auf diese Weise klassifizieren. Als Abstand von zwei Punkten im Merkmalsraum nimmt man z.B die Euklidsche Distanz:

Damit
der Abstand zu einer Klasse berechnet werden kann, wird jeder
Musterklasse ein Zentrum zugewiesen. Hitlich verbessern, da
unbekannte Objekte jetzt nicht einfach der nächsten Klasse
zugeordnet werden.

Bei
der Quadermethode verwendet man N-dimensiokmals sind. Diese Grenzen
kann man z.B. über den Mittelwert und die Streuung
berechnen.
Der Quaderklassifikator ist sehr einfach zu
implementiereelierten Merkmalen, da diese wie dicke Würste um
die Diagonale des Quaders angeordnet sind, und deshalb der Fehler 2.
Art sehr groß isssifikatoren einsetzen. Da aber in der Praxis
in der Regel weniger anzeitvorteile erhalten.

Beim Maximum-Likelihood-Klassifikator betrachtet man die Wahrscheinlichkeit, daß ein Objekt zu einer Klasmesiona Fall gilt (1 Merkmal). Pnlichkeit ist, daß ein unbekanntes Objekt mit Merkmal xhkeitsverteilung der Klasse Ci für das Merkmal x.
![]()
dient
lediglich der Normierung und kürzt sich bei der konkreten
Anwendung heraus.
Wie funktioniert ein Neuronales Netz?
Es besteht aus vielen identischen Einheiten,lgenden Knoten weiterleitet. Die Knoten sind in Schichten angeordnet (die Anzahl der Knoten in einer Schichnliegenden Schichten sind versteckte Schichten.

Im wesentlichen nehmen dewichtungsvektor. Die einzelnen Knoten führen folgende Funktion aus:
![]()
Hierbei
ist O der Ausgabevektor, X der Eingabevektor, W der Gewichtungsvektor
und g eine Funktion, die die Werte normiert, d.h. auf das Intervall
[0,1] einschränkt.
Während der Trainingsphase werdeltatvektor, der die Zuordnung des unbekannten Objektes zu einer Klasse repräsentiert.
Vorteile:
Man benötigt weniger Wissen über das Problem, als bei anderen Klassifizierungsansätzen.
Ermöglicht eine komplexere Aufteilung des Merkmalsraums
Ermöglicht eine parallele Implementierung
Nachteile:

Die
Netzwerke braucheneschicht (input layer) usgabeschicht (output
layer). Eingabevektoren begrenzt man auf werte zwischenTrainings
werdenewichte des Netzwerkes auf zufällige Werte innerhaevektor
wird so skaliert, daß sein Minimum aufinigsmuster bestEingabe-
und dem lvektor. Aus Trangss wird nun eiuster zufällig
ausgewäeschicht übergeben. Das Resultat der Ausgabeschicht
wird mit dem Zielvektor verglichen, und in Abhängigkeit davon
werden die Gewichte, von alle beieegenn Klavekt während
dngsvorge i Ricng jelge Klasschwerp gedr
![]()
Die
Gewichtsvektoren werden um
verdeZielvektor und dem tatsächlichen Resultatvektor ist.
![]()
![]()
Während
des Trainingprozesses ist mit
![]()
der
Gesamtfehler berechenbar, wobei P die Anzahl der Muster im
Trainingset ist, und
![]()
der
Fehler fürden.
Das Couterpropagaenutzt unüberwachtes Leinings findet das Netzwerk die natürlich vorkommendeniger Unterschied zum Backpropagation Netzwerk ist, daß die Knoten der versteckten Schicht miteinander im Wettbewerb stehen, d.h. der Knoten, der da ha, kann man das gleiche Ergebnisntierung erreichen, aber als Netzwerk eelen Einsatz auf Spezialhardware.

Beim Pat, um das Muster im Or. Je nach Übereinstimmung zwischen Original und Muster erginlichkeit repräsentieren. An Hanbjekte im Bild erkennen. Nachteibjekt im Bild vom Muster in der Größe stark abweicht, kann das Objekt nicht mehr difolgende Formel:
![]()
![]()
Hierbei
isOiginal.
Im obigem Beisprrelationsfunktion (c) sehr schön. An den Stellen mit den dünnen Schlieren liegt das Muster (b) gerade auf dem U und demaben wir dort ein Maxitchi
EINBETTEN Word.Picture.8

EINBETTEN Equation.3
![]()
EINBETTEN Equation.3

EINBETTEN Equation.3
![]()
EINBETTEN Equation.3
![]()
EINBETTEN Equation.3

EINBETTEN Equation.3
![]()
EINBETTEN Equation.3
![]()
EINBETTEN Equat